Máster en Data Science para finanzas

Práctica proyecto de Machine Learning

Autores:

• González Díaz, Guillermo

• Sebastiani, Carlos

Enlaces a GIT :

-
-

Nuestros datos :

Nos enfrentamos a la base de datos de accidentes de tráfico ocurridos en Canadá entre los años 1999 y 2014, del informe "Canadian Motor Vehicle Traffic Collision Statistics", elaborada en cooperación con el gobierno de Canadá.

Esta tabla está compuesta de 5,860,405 filas y 22 columnas. Cada fila representa una persona involucrada en un accidente de tráfico.

Objetivos del trabajo:

El objectivo del trabajo será crear un modelo de Machine Learning que, habiendo una persona implicada en un accidente, cuál es la probabilidad de que al menos haya una víctima mortal en dicho accidente.

Diccionario de datos:

Todas las columnas incluyen valores como QQ, UU, XX, NN, UUUU, o XXXX. Las Us hacen referencia a desconocidos. Las X, a datos que no han sido aportados por la jurisdicción y las N a elementos no aplicables.

EDA:

# Librerias necesitadas:
import pandas as pd
import numpy as np
import seaborn as sns
import datetime
import matplotlib.pyplot as plt
import plotly.express as px
import scipy.stats as ss

# Funciones que utilizaremos:
# Vamos a definir una función que, pasándole el nombre de una variable nos devuelva un df
# tanto de los accidentes como de la mortalidad de que un accidente ocurra dadas determinadas 
# circunstancias.

def acc_mortal(dfdata, col_group, target):
    '''
    dfdata será nuestro dataset
    col_group la columna por la que queremos agrupar
    target va a ser c_sev, puesto que nos interesa saber si hubo fallecidos
     - suma todas las repeticiones y llámalas accidentes
     - resetea el índice
     - le añadimos el target que será fallecidos
     - calculamos la mortalidad
    '''    
    df1 = pd.DataFrame(dfdata[col_group].value_counts())
    df1.reset_index(inplace= True)
    df1.rename(columns={col_group : 'accidentes', 'index': col_group}, inplace=True)
    df1 = df1.sort_values(by=[col_group])
    df1
    
    df2 = dfdata.groupby(col_group)[target].sum().reset_index()
    df2 = df1.merge(df2)
    df2['pct_mortales'] = (df2[target] * 100 ) / df2['accidentes']
    df2['acc_ponderado'] = ((df2['accidentes'] / df2['accidentes'].sum()) * 100)
    df2['muertes_ponderado'] = ((df2['acc_mortal'] / df2['acc_mortal'].sum()) * 100)

    df2[['accidentes', target]] = df2[['accidentes', target]].astype(int)
    return(df2)

''''
Intentaremos graficar los accidentes horarios de forma circular:
va a coger x y va a conseguir los radianes. Int porque nuestra 
variable hora es tipo object, para que la transforme. 2 * pi * h/24
con ese int para sacar los radianes
'''
def get_radian(x):
    h = int(x)
    return 2 * np.pi * (h)/24

def plot_hours(df, time_col, plot_col, plot_title= None):
    """
    Gráfico polar por horas
    df: va a ser df_horas
    time_col: nombre columna temporal (24h)
    plot_col: nombre de la columna que contamos y representamos
    plot_title: título del plot
    """
    
    fig = plt.figure(figsize=(8, 8))
    ts = df[time_col]
    ts = ts.apply(get_radian)
    ax = plt.subplot(111, projection= 'polar')
    ax.bar(ts, df[plot_col], width=0.25, alpha=0.3, color= 'red')
    
    # Dirección clockwise
    ax.set_theta_direction(-1)
    # El 0 van a ser las 12 AM:
    ax.set_theta_offset(np.pi / 2)
    # Le decimos los ticks de nuestra circunferencia
    ax.set_xticks(np.linspace(0, 2 * np.pi, 24, endpoint=False))
    
    # Nombramos cada tick
    ticks = ['12 AM', '1 AM', '2 AM', '3 AM', '4 AM', '5 AM', '6 AM', '7 AM',
             '8 AM', '9 AM', '10 AM', '11 AM', '12 PM', '1 PM', '2 PM', '3 PM',
             '4 PM', '5 PM', '6 PM', '7 PM', '8 PM', '9 PM', '10 PM', '11 PM']
    
    ax.set_xticklabels(ticks)
    # suppress the radial labels
    plt.setp(ax.get_yticklabels(), visible=False)
    # Radios: máximo de la longitud de nuestra columna.
    plt.ylim(0, max(df[plot_col]))
    plt.title(plot_title, pad=30, fontsize = 15)
    plt.show()

# Cargamos nuestros datos :
data = pd.read_csv('NCDB_1999_to_2014.csv')

/Users/guillemrogonzalezdiaz/miniconda3/lib/python3.8/site-packages/IPython/core/interactiveshell.py:3441: DtypeWarning: Columns (1,2,5,12) have mixed types.Specify dtype option on import or set low_memory=False.
  exec(code_obj, self.user_global_ns, self.user_ns)

data.dtypes

C_YEAR     int64
C_MNTH    object
C_WDAY    object
C_HOUR    object
C_SEV      int64
C_VEHS    object
C_CONF    object
C_RCFG    object
C_WTHR    object
C_RSUR    object
C_RALN    object
C_TRAF    object
V_ID      object
V_TYPE    object
V_YEAR    object
P_ID      object
P_SEX     object
P_AGE     object
P_PSN     object
P_ISEV    object
P_SAFE    object
P_USER    object
dtype: object

# convertimos a minúsculas
data.columns= data.columns.str.lower()

# creamos un df auxuliar para no modificar el original.
df = data

df.head()

	c_year	c_mnth	c_wday	c_hour	c_sev	c_vehs	c_conf	c_rcfg	c_wthr	c_rsur	...	v_id	v_type	v_year	p_id	p_sex	p_age	p_psn	p_isev	p_safe	p_user
0	1999	1	1	20	2	02	34	UU	1	5	...	01	06	1990	01	M	41	11	1	UU	1
1	1999	1	1	20	2	02	34	UU	1	5	...	02	01	1987	01	M	19	11	1	UU	1
2	1999	1	1	20	2	02	34	UU	1	5	...	02	01	1987	02	F	20	13	2	02	2
3	1999	1	1	08	2	01	01	UU	5	3	...	01	01	1986	01	M	46	11	1	UU	1
4	1999	1	1	08	2	01	01	UU	5	3	...	99	NN	NNNN	01	M	05	99	2	UU	3

5 rows × 22 columns

# Primero definimos una nueva columna: accidente mortal, que tomará 1s o 0s.
df['acc_mortal'] = df['c_sev'] == 1
df["acc_mortal"] = df["acc_mortal"].astype(int)
df.acc_mortal.sum()

98633

# Hay columnas que, en el momento del accidente, son desconocidas. Las eliminamos.
df = df.drop(['p_id', 'p_isev', 'v_id'], axis = 1)

Visualizamos el número de accidentes mortales/no mortales así como sus porcentajes:

# Graficamos Accidentes / Accidentes que provocaron víctimas mortales
sns.set(rc = {'figure.figsize':(15,8)})
sns.countplot(df['acc_mortal'])

# Customización
plt.title("Accidentes mortales", fontsize = 20)
plt.ylabel("Millones de accidentes", fontsize = 15)
plt.xlabel("No mortal / Mortal", fontsize = 15)

plt.show();

/Users/guillemrogonzalezdiaz/miniconda3/lib/python3.8/site-packages/seaborn/_decorators.py:36: FutureWarning: Pass the following variable as a keyword arg: x. From version 0.12, the only valid positional argument will be `data`, and passing other arguments without an explicit keyword will result in an error or misinterpretation.
  warnings.warn(

# Cuántas personas estuvieron implicadas en accidentes mortales (1)
df_sev= pd.DataFrame(df['c_sev'].value_counts()).rename(columns={'index':'Severity', 'Severity':'Cases'})
df_sev.head()

	c_sev
2	5761772
1	98633

# Probabilidad de que habiendo un accidente se produzca al menos una víctima mortal es:
df['c_sev'].value_counts() * 100/len(df)

2    98.316959
1     1.683041
Name: c_sev, dtype: float64

Workflow:

1. Evolución en el tiempo

2. Día de la semana

3. Hora del día

4. Edad y día de la semana

5. Carretera

6. Sexo y tipo de vehículo

7. Configuración del accidente

8. Condiciones climatológicas

9. Medidas de seguridad utilizadas

10. Número total de fallecidos en el período, sexo y períodos vacacionales.

1. Evolución en el tiempo:

Conclusiones

• El número de accidentes total tanto como los accidentes mortales se han reducido en el tiempo, pasando de 7,500 en el año 1999 a 4,500 en el 2014.
• En estos casi 20 años, la mortalidad por accidente se ha reducido de un 1,83 % a un 1,51 %.

anual= acc_mortal(df, 'c_year', 'acc_mortal')
anual

	c_year	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
0	1999	413509	7598	1.837445	7.055980	7.703304
1	2000	422075	7011	1.661079	7.202147	7.108169
2	2001	409389	6718	1.640982	6.985678	6.811108
3	2002	420008	7144	1.700920	7.166877	7.243012
4	2003	407036	6870	1.687811	6.945527	6.965214
5	2004	389050	6926	1.780234	6.638620	7.021991
6	2005	386470	6980	1.806091	6.594595	7.076739
7	2006	378523	6889	1.819969	6.458990	6.984478
8	2007	368507	6768	1.836600	6.288081	6.861801
9	2008	338268	5796	1.713434	5.772093	5.876329
10	2009	330771	5323	1.609270	5.644166	5.396774
11	2010	334555	5422	1.620660	5.708735	5.497146
12	2011	325153	5075	1.560804	5.548303	5.145337
13	2012	322421	4884	1.514790	5.501685	4.951690
14	2013	317058	4727	1.490894	5.410172	4.792514
15	2014	297612	4502	1.512708	5.078352	4.564395

fig, ax = plt.subplots()
sns.set(rc = {'figure.figsize':(15,8)})
sns.set(style = "darkgrid")
sns.lineplot(x = 'c_year', y = 'acc_mortal', data = anual,
             color = 'red',
            linewidth = 2)

# Customización:
plt.title("Evolución en el tiempo de accidentes mortales en carretera", fontsize = 20)
plt.ylabel("fallecidos", fontsize = 15) 
plt.text(2011, 7200, 'Total: 98,633' , fontsize = 20)
plt.xlabel("") 

Text(0.5, 0, '')

2. Día de la semana:

Conclusiones:

1. El día de la semana con mayor número de personas involucradas en accidentes es el viernes, que representa un total del 17 % de los accidentes.
2. La mayor mortalidad se da los fines de semana, viernes, sábados y domingos. Especialmente el sábado, que se lleva un 18.1 % de los accidentes mortales.
3. Respecto al número de accidentes, es bastante similar durante todos los días de la semana, aunque como ya hemos dicho, con mayor tasa de mortalidad los fines de semana.
4. El número de desconocidos es mínimo, encontrándonos solo con 13 accidentes mortales. Por este motivo, nos tomamos la libertad de imputar esos valores desconocidos por domingos, ya que la diferencia no será significativa.

# modificamos para efectos de la visualización:
df['c_wday'] = df['c_wday'].astype(str)
df['c_wday'] = df['c_wday'].replace(['U'], '7')

dia = acc_mortal(df, 'c_wday', 'acc_mortal')
dia

	c_wday	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
0	1	776012	11975	1.543146	13.241610	12.140967
1	2	816265	11653	1.427600	13.928474	11.814504
2	3	825560	11740	1.422065	14.087081	11.902710
3	4	869653	13438	1.545214	14.839469	13.624243
4	5	999725	16543	1.654755	17.058975	16.772277
5	6	867188	17859	2.059415	14.797407	18.106516
6	7	706002	15425	2.184838	12.046983	15.638782

sns.barplot(x='c_wday', y = 'acc_mortal' , data= dia)
plt.title('Accidentes por día de la semana', fontsize = 20)
plt.ylabel('Miles de accidentes', fontsize = 15)
plt.xlabel('Día de la semana', fontsize = 15);

dias = ['lunes','martes', 'miércoles', 'jueves', 'viernes','sábado', 'domingo']
df_diario = df.groupby(['c_wday', 'acc_mortal']).size().unstack()

# Definimos nuestro gráfico
fig,ax1 = plt.subplots()
ax2 = ax1.twinx()
ax2.set_ylabel('Porcentaje de fatalidad', fontsize = 15)
ax2.spines['right'].set_color('k')
ax2.yaxis.label.set_color('k')
ax2.tick_params(axis='y',colors='y')

# Dibujamos el gráfico:
df_diario.plot(kind='bar', rot= 30,
               log= False, color=['peru','gold'],
               figsize=(18, 7), width = 0.85,
               title= 'Severidad por días', ax= ax1)
ax1.grid(axis= 'both')
ax1.legend(['1. Mortal','2. No mortal'])
ax1.set_xticklabels(dias)
ax1.set_xlabel('Día de la semana', fontsize = 15)

# Porcentajes fatalidad
per = df_diario[1] / (df_diario[1] + df_diario[0]) * 100
per.plot(c='k', style='*--', ax=ax2)
plt.xticks(np.arange(0,7), dias); 

3. Hora del día:

Conclusiones:

1. Analizando los accidentes por hora hemos visto que el mayor número de accidentes se dan a entre las 3 y las 5 de la tarde. Solo en estas tres horas del día se han dado el 25 % de accidentes.

2. Si hablamos de muertes en términos globales, en el gráfico de abajo veremos que la mayoría de víctimas mortales se producen las horas comprendidas entre las 15 y las 18 de la tarde, lo que es lógico teniendo en cuenta el punto anterior.

3. Analizando en general el hecho de que se porduzca un accidente con víctimas mortales, es igualmente más elevado entre las 15 y las 18 en términos globales. Sin embargo, en términos de porcentajes, vemos que son mucho más letales los accidentes que se producen en la madrugada a partir de las 00 y hasta las 6, donde la tasa de mortalidad se dispara hasta alcanzar máximos del 4.2 %.

4. Entre las 00 y las 5 de la mañana, pese a que el porcentaje de accidentes es bajo,

# número total de accidentes dependiendo de la hora del día
sns.countplot(x='c_hour' , data= data, order=data['c_hour'].value_counts().index)
plt.title('Accidentes según hora del día', fontsize= 20)
plt.ylabel('Número de accidentes', fontsize = 15)
plt.xlabel('Hora del día (24h)', fontsize= 15)

Text(0.5, 0, 'Hora del día (24h)')

horas = acc_mortal(df, 'c_hour', 'acc_mortal')
horas

	c_hour	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
0	00	88481	2970	3.356653	1.509810	3.011163
1	01	73383	2978	4.058161	1.252183	3.019273
2	02	77500	3171	4.091613	1.322434	3.214948
3	03	64036	2613	4.080517	1.092689	2.649215
4	04	39817	1720	4.319763	0.679424	1.743838
5	05	44952	1900	4.226731	0.767046	1.926333
6	06	106086	2593	2.444243	1.810216	2.628938
7	07	207965	3359	1.615176	3.548646	3.405554
8	08	302834	3574	1.180185	5.167459	3.623534
9	09	227626	3588	1.576270	3.884134	3.637728
10	10	248984	3935	1.580423	4.248580	3.989537
11	11	301916	4202	1.391778	5.151794	4.260237
12	12	368278	4774	1.296303	6.284173	4.840165
13	13	367315	4791	1.304330	6.267741	4.857401
14	14	397342	5480	1.379165	6.780112	5.555950
15	15	492742	6259	1.270239	8.407985	6.345746
16	16	519601	6424	1.236333	8.866298	6.513033
17	17	500203	6157	1.230900	8.535297	6.242333
18	18	375902	5748	1.529122	6.414267	5.827664
19	19	281863	5030	1.784555	4.809616	5.099713
20	20	217277	4526	2.083055	3.707542	4.588728
21	21	204317	4183	2.047309	3.486397	4.240974
22	22	164878	4075	2.471524	2.813423	4.131477
23	23	127698	3504	2.743974	2.178996	3.552564
24	UU	59409	1079	1.816223	1.013735	1.093954

# Qué porcentaje de accidentes mortales se dan cuando la tasa de mortalidad se duplica
# Vemos que un 24 % de accidentes mortales se dan entre las 00 y 5 de la madrugada. 
tasa_alta = horas[horas['pct_mortales'] > 3 ]
print(tasa_alta['c_hour'])
print('Porcentaje de muertes entre las horas más mortales: ',
      tasa_alta['pct_mortales'].sum().round(), '%')

0    00
1    01
2    02
3    03
4    04
5    05
Name: c_hour, dtype: object
Porcentaje de muertes entre las horas más mortales:  24.0 %

# para la visualización, quitamos valores UU, que no representan ni siquiera un 1 % de la 
# muestra:
horas = horas.drop(24, axis=0)

# Número total de accidentes
fig = plt.figure(figsize=(6,6))
plot_hours(horas, 'c_hour', 'accidentes',
                        'Accidentes por hora del día')
# Accidentes que resultaron mortales:
fig = plt.figure(figsize=(6,6))
plot_hours(horas, 'c_hour', 'acc_mortal',
                        'Accidentes mortales por hora del día')
# Mortalidad/hora
fig = plt.figure(figsize=(6,6))
plot_hours(horas, 'c_hour', 'pct_mortales',
                        'Mortalidad / hora')

<Figure size 432x432 with 0 Axes>

<Figure size 432x432 with 0 Axes>

<Figure size 432x432 with 0 Axes>

4. Edad y día de la semana:

Conclusiones:

• En la gran mayoría de accidentes están involucradas personas entre 22 y 56 años, que suponen el primer y tercer cuantil del boxplot dibujado aquí abajo. La mediana de personas involucradas en accidentes mortales vemos que está en torno a los 35 años.
• Existe relación lineal entre edad y número de accidentes y también entre edad y accidentes mortales, siendo más elevadas en personas jóvenes. Lo cual tiene sentido porque suponen la gran mayoría de la muestra.
• La mortalidad es mucho más elevada en personas de mayor edad, puesto que hablamos de una parte de la población más vulnerable. Y vemos abajo, que en ocasiones esa mortalidad llega a alcanzar valores del 7 %.
• El grupo de edad que supone el mayor número de muertes en porporción es el que va de entre de entre los 16 a los 25 años. Y la peor edad, los 18. Suponen el 3 % de accidentados con víctimas mortales. Provocado quizás por un exceso de confianza, poca experiencia al volante y al caer mayormente en fines de semana y vísperas, concluimos que el efecto del alcohol será otro factor importante, pero no disponemos de esa información.
• Combinando todas las representaciones de este apartado, podemos concluir que el grupo de edad con más riesgo es el comprendido entre los 18 y los 40: tanto como por cifras globales como porcentuales, son los que más riesgo presentan y más accidentes mortales. Especialmente en fines de semana y vísperas.

edad = acc_mortal(df, 'p_age', 'acc_mortal')
edad[edad['muertes_ponderado']> 1.8]

	p_age	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
15	16	96467	1875	1.943670	1.646081	1.900986
16	17	158163	2715	1.716584	2.698841	2.752628
17	18	171719	3068	1.786640	2.930156	3.110521
18	19	167721	3052	1.819689	2.861935	3.094299
19	20	158747	2847	1.793420	2.708806	2.886458
20	21	147725	2601	1.760704	2.520730	2.637048
21	22	138421	2421	1.749012	2.361970	2.454554
22	23	130566	2174	1.665058	2.227935	2.204130
23	24	122300	2031	1.660670	2.086886	2.059149
24	25	118292	1948	1.646772	2.018495	1.974998
100	UU	377140	3770	0.999629	6.435391	3.822250

# Imputamos NN y UU por outliers para su representación gráfica
edad['p_age'] = edad['p_age'].replace(['UU'], "110")
edad['p_age'] = edad['p_age'].replace(['NN'], "110")
edad['p_age'] = edad['p_age'].astype(int)

# Convertimos la edad en numérico y le damos a UU un valor extremo. Vemos que hay muchísimos 
# UU, así como muchos UU que son mortales.
df['p_age'] = df['p_age'].replace(['UU'], "110")
df['p_age'] = df['p_age'].replace(['NN'], "110")
df['p_age'] = df['p_age'].astype(int)

Comprobamos que nos encontramos con la mayoría de personas que han provocado accidentes mortales se encuentran en el rango de edad de entre 22 y 56 años. Nos encontramos con mímimos de 1 año hasta máximos de 97 años. Los outliers que nos aparecen son los que hemos imputado a los valores desconocidos.

#fig, ax = plt.subplots()
sns.boxplot(x="p_age", y="acc_mortal", data=df, orient="h", palette={1:"crimson", 0:"peru"})
plt.ylabel('')
plt.xlabel('Edades', fontsize = 15)

Text(0.5, 0, 'Edades')

Relación lineal edad:

# Número de accidentes totales
sns.regplot(x=edad.p_age[1:97], y=edad.accidentes[1:97] , data=edad, color = 'black',
           line_kws={"color": "crimson"})
plt.title('Relación edad / número de accidentes',  fontsize = 20)
plt.xlabel('Edad', fontsize = 15)
plt.ylabel('Número de accidentes', fontsize = 15)
plt.show()
 
# Accidentes con víctimas mortales
sns.regplot(x=edad.p_age[1:97], y=edad.acc_mortal[1:97] , data=edad, color = 'red',
           line_kws={"color": "crimson"})
plt.title('Relación edad / número de accidentes mortales', fontsize = 20)
plt.xlabel('Edad', fontsize = 15)
plt.ylabel('Número de accidentes con víctima mortal', fontsize = 15)
plt.show()

# Porcentaje de mortalidad según la edad
sns.regplot(x=edad.p_age[1:97], y=edad.pct_mortales[1:97] , data=edad,
           line_kws={"color": "crimson"})
plt.title('Relación edad / mortalidad', fontsize = 20)
plt.ylabel('Número de accidentes', fontsize = 15)
plt.xlabel('Edad', fontsize = 15)
plt.show()

Edad y día de la semana:

Accidentes totales:

# Número de accidentes en total por día y edad
df_edad_dia = df[['p_age','c_wday']].astype(int).\
groupby(['c_wday','p_age']).size().unstack().T

# Agrupamos las edades para una mejor visualización
bins = list(range(0,115,5))
df_edad_dia['edad'] = pd.cut(df_edad_dia.index,
                             bins = list(range(0,115,5)), 
                             labels= bins[:-1])

df_edad_dia = df_edad_dia.groupby('edad').sum()
df_edad_dia.head()

c_wday	1	2	3	4	5	6	7
edad
0	18516	19144	19163	20040	23645	23377	19490
5	16850	16662	16826	17817	22334	24750	20702
10	23303	23367	23250	25356	31275	31419	26487
15	93973	95892	97481	104757	132170	125275	103269
20	83179	85850	87310	93615	111819	106360	89171

Representaciones gráficas:

• Vemos que la lista de número de accidentes la encabezan nuevamente jóvenes de entre 18 y 30 años.
• También observamos como, llegado el viernes, todos los grupos de edad suben en cuanto al número de accidetntes.
• Igualmente encabezan el ranking en accidentes mortales estos subgrupos de edad,

df_edad_dia= df_edad_dia.T.reset_index()
df_edad_dia = df_edad_dia.rename(columns = {'c_wday': 'dia'})

Accidentes mortales:

# Repetimos el proceso entero:
df_edad_mort = df[df['acc_mortal']== 1]

df_edad_mort = df_edad_mort[['p_age', 'c_wday']].astype(int).\
groupby(['c_wday', 'p_age']).size().unstack().T

# agrupamos por sexo y contamos repeticiones: unstack para que nos saque df
bins = list(range(0,115,5))
df_edad_mort['edad'] = pd.cut(df_edad_mort.index,
                             bins = list(range(0,115,5)), 
                             labels= bins[:-1])
df_edad_mort = df_edad_mort.groupby('edad').sum()
df_edad_mort = df_edad_mort.T.reset_index()
df_edad_mort = df_edad_mort.rename(columns = {'c_wday': 'dia'})

Represenatción gráfica:

df_edad_dia.plot(figsize=(18,9), rot = 30, style='--o')
plt.title('Accidenetes por edad y día', fontsize = 20)
plt.ylabel('Número de accidentes')
plt.xlabel('Edades')
plt.xticks(range(0,7),['lunes','martes','miércoles','jueves','viernes','sábado','domingo'])
plt.show();

df_edad_mort.plot(figsize=(18,9), rot = 30, style='--o')
plt.title('Accidenetes mortales por edad y día', fontsize = 20)
plt.ylabel('Número de accidentes')
plt.xlabel('Edades')
plt.xticks(range(0,7),['lunes','martes','miércoles','jueves','viernes','sábado','domingo'])
plt.show();

5. Tipo de vía

Conclusiones:

• A simple vista, es muy llamativo que en "7", lo que equivale a carriles extra que a veces se usan para que los vehículos más lentos, como camiones, no entorpezcan la circulación. Sirven para mejorar la congestión así como la seguridad, pero vemos que son los que presentan mortalidad más elevada. No obstante, en número no son significativos.
• Vemos que la mayoría de accidentes se reparten entre 1 (non intersection) y 2 (intersection). Entendemos 1 como pasos de cebra y 2 como una intersección de al menos dos vías.
• Es llamativo que las siguientes categorías, que suman un 10 % del total de accidentes, sean valores desconocidos (QQ y UU)
• Mirando la gráfica, vemos que representan alta mortalidad, después de lo comentado aquí, los pasos a nivel y los carriles de incorporación de la autopista.

road = acc_mortal(df, 'c_rcfg', 'acc_mortal')
# convertimos qq y uu en 11s y 12s respectivamente, solo para verlo en la tabla:
road['c_rcfg'] = road['c_rcfg'].replace(['QQ'], "11")
road['c_rcfg'] = road['c_rcfg'].replace(['UU'], "12")
road.set_index('c_rcfg')

	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
c_rcfg
01	2079515	57730	2.776128	35.484152	58.530107
02	2746752	26665	0.970783	46.869662	27.034562
03	289184	2654	0.917755	4.934540	2.690783
04	23723	920	3.878093	0.404801	0.932751
05	51196	1162	2.269709	0.873592	1.178105
06	6001	217	3.616064	0.102399	0.220008
07	1009	115	11.397423	0.017217	0.116594
08	11780	81	0.687606	0.201010	0.082123
09	1743	11	0.631096	0.029742	0.011152
10	556	23	4.136691	0.009487	0.023319
11	144298	3072	2.128928	2.462253	3.114576
12	504648	5983	1.185579	8.611145	6.065921

road_type = ['Mid-block','Interesction at least 2 roadways', 
             'Intersection parking lot entrance/exit', 'Railroad crossing', 'Bridge',
             'Tunnel', 'Passing or climbing lane', 'Ramp', 
             'Traffic circle', 'Freewsy express lane',' Other', 'Unknown']

df2 = df.groupby(['c_rcfg','acc_mortal']).size().unstack().fillna(0)

# Definimos nuestro gráfico
fig,ax1 = plt.subplots()
ax2 = ax1.twinx()
ax2.set_ylabel('Porcentaje de fatalidad', fontsize = 15)
ax2.spines['right'].set_color('black')
ax2.yaxis.label.set_color('black')
ax2.tick_params(axis='y',colors='red')

# Dibujamos el gráfico en logaritmos:
df2.plot(kind='bar', rot=30, log=True, 
         color=['peru','gold'], figsize=(18,7), width = 0.85,
         title='Severidad dependiendo del tipo de carretera', ax=ax1)
ax1.grid(axis='both')
ax1.legend(['1. Mortal','2. No mortal'])
ax1.set_xticklabels(road_type)
ax1.set_xlabel('Configuración de la calzada', fontsize = 15)

# Porcentajes fatalidad
se1 = df2[1] / (df2[1] + df2[0])*100
se1.plot(c='black', style='o--', ax=ax2)
plt.xticks(np.arange(0,12),road_type); 

6. Sexo y tipo de vehículo:

Conclusiones

• En el 70 % de accidentes mortales están implicados turismos, con un total de 4,827,390 de accidentes sobre el total.
• Los hombres representan el 54 % mientras que las mujeres el 41 % de los implicados en un accidente. El el total, los hombres estuvieron involucrados en 65,055 accidentes mortales mientras que las mujeres en 30,683.

• Los hombres están involucrados en el 65 % de accidentes que incluyen víctimas mortales.

• Si miramos el resto de vehículos relevantes, encontramos que en 17, 11, 14, 6, 7 y 8 los afectados por el accidente eran principalmente hombres. Esto son, tractores, camiones, pequeños camiones, y furgonetas, que es el único tipo en el que podemos ver un porcentaje relevante de mujeres afectadas.

• El único punto en el que hombres y mujeres muestran cifras similares, es en el número de accidentados cuando se trata de peatones, aunque otra vez el hombre presenta mayores tasas de mortalidad.
• En el 83 % de accidentes están involucrados turismos, que a su vez representan el 70 % de accidentes con víctimas mortales.
• Después nos encontramos con motos (3.7 %) y con ciclistas (1%).
• Nos encontramos con un 7 % de accidentes mortales de los que nos disponemos información del tipo de vehículo implicado en el accidente.
• Analizando los gráficos normalizados se observa que peatones sufren accidentes y muertes en la misma proporción hombres y mujeres. Proporcionalmente, hay muchos más hombres que conducen vehículos tipo: tractores, pequeós camiones, motos... y que accidentes mortales en School buses y fire engines son inexistentes en mujeres.
• Vemos que los accidentes de las mujeres se encuentran repartidos principalmente entre peatones y vehículos utilitarios. Los accidentes de los hombres están más repartidos entre otro tipo de vehículos, pero utilitarios sigue siendo el más común.
• Como conclusión final, hemos observado que independientemente del tipo de vehículo y una vez con datos normalizados, que los hombres tienden a presentar mayores tasas de mortalidad en todos los aspectos.

sexo = acc_mortal(df, 'p_sex', 'acc_mortal')
sexo[['accidentes', 'acc_mortal']] = sexo[['accidentes', 'acc_mortal']].astype(int)
sexo.head()

	p_sex	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
0	F	2440421	30683	1.257283	41.642532	31.108250
1	M	3170244	65055	2.052050	54.095988	65.956627
2	N	14786	283	1.913973	0.252303	0.286922
3	U	234954	2612	1.111707	4.009177	2.648201

# Comparamos accidentes y mortalidad entre hombres y mujeres
sexo[['accidentes', 'acc_mortal']] = sexo[['accidentes', 'acc_mortal']].astype(int)
sexo.set_index('p_sex')
sexo.drop(sexo.index[2:4], inplace=True)

sns.barplot(x= 'p_sex', y = 'accidentes', data= sexo)
plt.title('Total de accidentes por sexo', fontsize = 20)
plt.xlabel('Female / Male', fontsize = 15)
plt.show()
sns.barplot(x= 'p_sex', y = 'acc_mortal', data= sexo)
plt.title('Total de accidentes mortales por sexo', fontsize = 20)
plt.xlabel('Female / Male', fontsize = 15)
plt.show();

pd.DataFrame(df.groupby('v_type').size().sort_index()).rename(columns={0 :'casos'})

	casos
v_type
01	4827390
05	66106
06	175491
07	88057
08	70556
09	20914
10	906
11	51260
14	122734
16	9722
17	122907
18	3132
19	2001
20	7635
21	825
22	4583
23	3075
NN	227913
QQ	25444
UU	29754

veh = pd.DataFrame(df.groupby('v_type').size().sort_index())
#df3['types'] = v_type
veh = veh.rename(columns={0:'accidentes'}).sort_values(by='accidentes')
# Sacamos el top 10
veh[-10:].plot.barh(log= False, 
                    color= 'peru',
                    figsize=(18, 7), width = 0.7)
plt.title('Accidentes por tipo de vehículo', fontsize = 20)
plt.xlabel('Número de accidentes', fontsize = 15)
plt.ylabel('Tipo de vehículo', fontsize = 15)
plt.grid(axis='x');

Sexo y tipo de vehículo:

Total de accidentes dependiendo del vehículo y el sexo:

# Cómo afecta el número de accidentes según el vehículo y sexo:
# Nos quedamos con las columnas que nos interesan:
df_sex = df[['v_type', 'p_sex', 'c_sev']]

# Cambiamos hombres por 0, mujeres por 1:
df_sex.p_sex.replace({'M':'hombre','F':'mujer'},inplace=True)

# agrupamos por sexo y contamos repeticiones: unstack para que nos saque df
df_sex = df_sex[['p_sex','v_type']].groupby(['v_type','p_sex']).size().unstack()

# N  y U eran solamente un 0.25 % y 4 % respectivamente, así que la eliminamos
# con efectos a la representación gráfica:
df_sex = df_sex.drop(['U', 'N'], axis = 1)
df_sex.head()

/Users/guillemrogonzalezdiaz/miniconda3/lib/python3.8/site-packages/pandas/core/generic.py:6619: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  return self._update_inplace(result)

p_sex	hombre	mujer
v_type
01	2489508.0	2160256.0
05	44627.0	19525.0
06	116676.0	49234.0
07	74503.0	8477.0
08	63936.0	2432.0

# Comrpobación de que la ejecución se ha realizado correctamente. 
# Vemos que coinciden con nuestra tabla de 'sexo'
print('Accidentes hombres: ', df_sex['hombre'].sum().round())
print('Accidentes mujeres: ', df_sex['mujer'].sum().round())

Accidentes hombres:  3170244.0
Accidentes mujeres:  2440421.0

Total de accidentes mortales dependiendo del sexo y tipo de vehículo:

# Igual que antes, pero añadimos accidentes mortales:
df_sex_mort = df[df['acc_mortal']== 1]
df_sex_mort = df_sex_mort[['v_type', 'p_sex', 'acc_mortal']]
df_sex_mort.p_sex.replace({'M':'hombre_mortal','F':'mujer_mortal'}, inplace=True)

# agrupamos por sexo y contamos repeticiones: unstack para que nos saque df
df_sex_mort = df_sex_mort[['p_sex','v_type']].groupby(['v_type','p_sex']).size().unstack()

# N  y U eran solamente un 0.25 % y 4 % respectivamente, así que la eliminamos
# con efectos a la representación gráfica:
df_sex_mort = df_sex_mort.drop(['U', 'N'], axis = 1)
df_sex_mort.head()

p_sex	hombre_mortal	mujer_mortal
v_type
01	42757.0	24474.0
05	787.0	295.0
06	3048.0	1083.0
07	2903.0	224.0
08	4647.0	186.0

# Vemos que coinciden con nuestra tabla de 'sexo'
print('Accidentes mortales hombres: ', df_sex_mort['hombre_mortal'].sum())
print('Accidentes mortales mujeres: ', df_sex_mort['mujer_mortal'].sum())

Accidentes mortales hombres:  65055.0
Accidentes mortales mujeres:  30683.0

Ajustes y representaciones gráficas:

# Cambiamos el índice, según los valores del pdf:
# accidentes
df_sex = df_sex.reset_index()
df_sex['tipo_vehiculo'] = df_sex['v_type'].map({
          '01': 'Light Duty', '05': 'Cargo <4.5t', '06':'Truck <4.5t',
          '07': 'Truck >4.5t', '08': 'Road tractor', '09': 'School bus',
          '10' : 'Small school bus', '11': 'Urban bus', '14' : 'Motorcycle',
          '16' : 'Off-road', '17': 'Bicycle', '18': 'Motorhome', '19' : 'Farm equip',
          '20' : 'Constru. equip', '21': 'Fire engine', '22': 'Snowmobile',
          '23': 'Street car', 'NN' : 'Pedestrian', 'QQ': 'Others', 'UU':  'Unknown'})

# Nos lo guardamos en un df
df_sex = df_sex.set_index('tipo_vehiculo')

# accidente mortal
df_sex_mort = df_sex_mort.reset_index()
df_sex_mort['tipo_vehiculo'] = df_sex_mort['v_type'].map({
          '01': 'Light Duty', '05': 'Cargo <4.5t', '06':'Truck <4.5t',
          '07': 'Truck >4.5t', '08': 'Road tractor', '09': 'School bus',
          '10' : 'Small school bus', '11': 'Urban bus', '14' : 'Motorcycle',
          '16' : 'Off-road', '17': 'Bicycle', '18': 'Motorhome', '19' : 'Farm equip',
          '20' : 'Constru. equip', '21': 'Fire engine', '22': 'Snowmobile',
          '23': 'Street car', 'NN' : 'Pedestrian', 'QQ': 'Others', 'UU':  'Unknown'})

# Nos lo guardamos en un df
df_sex_mort = df_sex_mort.set_index('tipo_vehiculo')

df_sex = df_sex.drop(['v_type'], axis = 1)
df_sex_mort = df_sex_mort.drop(['v_type'], axis = 1)

# Normalizamos dividiendo entre sus totales y multiplicando por 100:
df_sex['hombre'] = (df_sex['hombre'] / 3170244) * 100
df_sex['mujer'] = (df_sex['mujer'] / 2440421) * 100
df_sex_mort['hombre_mortal'] = (df_sex_mort['hombre_mortal'] / 65055) * 100
df_sex_mort['mujer_mortal'] = (df_sex_mort['mujer_mortal'] / 30683) * 100
df_sex.head()

p_sex	hombre	mujer
tipo_vehiculo
Light Duty	78.527331	88.519809
Cargo <4.5t	1.407683	0.800067
Truck <4.5t	3.680348	2.017439
Truck >4.5t	2.350071	0.347358
Road tractor	2.016753	0.099655

# Visualizamos los datos normalizados:
df_sex.plot.barh(width = 0.9, log= False)
plt.title('Accidentes según sexo y tipo de vehículo', fontsize = 20)
plt.ylabel('')
plt.xlabel('% Accidentes', fontsize = 15)
plt.show()

df_sex_mort.plot.barh(width = 0.9, log= False)
plt.title('Accidentes mortales según sexo y tipo de vehículo', fontsize = 20)
plt.ylabel('')
plt.xlabel('% Mortales', fontsize = 15)
plt.show()

# Como se distribuyen según el tipo de vehículo:
tipo = acc_mortal(df, 'v_type', 'acc_mortal')

tipo.reset_index()
tipo['tipo_vehiculo'] = tipo['v_type'].map({
        '01': 'Light Duty', '05': 'Cargo <4.5t', '06':'Truck <4.5t',
        '07': 'Truck >4.5t', '08': 'Road tractor', '09': 'School bus',
        '10' : 'Small school bus', '11': 'Urban bus', '14' : 'Motorcycle',
        '16' : 'Off-road', '17': 'Bicycle', '18': 'Motorhome', '19' : 'Farm equip',
        '20' : 'Constru. equip', '21': 'Fire engine', '22': 'Snowmobile',
        '23': 'Street car', 'NN' : 'Pedestrian', 'QQ': 'Others', 'UU':  'Unknown'})
tipo = tipo.set_index('tipo_vehiculo')
tipo = tipo.drop(['v_type'], axis = 1)
tipo.head()

	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
tipo_vehiculo
Light Duty	4827390	68917	1.427624	82.372976	69.872152
Cargo <4.5t	66106	1103	1.668532	1.128011	1.118287
Truck <4.5t	175491	4248	2.420637	2.994520	4.306875
Truck >4.5t	88057	3273	3.716911	1.502575	3.318362
Road tractor	70556	5140	7.284993	1.203944	5.211238

7. Configuración del accidente:

• El 30 % de los accidentes se producen de choque por detrás, y vemos que no son mortales casi en ningún caso, solo en el 0.3 % de los casos (total de 6,513).
• La gran mortalidad se la llevan los choques frontales, donde se eleva al 11%. Suponen solamente el 3 % de los accidentes pero el 22 % de las muertes.
• La siguiente categoría con mayor mortalidad son los choques desde la derecha, que suponen el 14 % de los accidentes y el 12 % de todas las muertes.
• Por último de la tabla, destacamos los giros a la izquierda traspasando carril en dirección contraria: suponen el 7 % de los accidentes y el 4 % de las muertes.
• Si miramos el gráfico, vemos en barras el porcentaje de accidentes y en línea roja el porcentaje de mortalidad, donde se ve de forma clara lo comentado en el punto anterior.

# En primer lugar echamos un vistazo rápido:
conf = acc_mortal(df, 'c_conf', 'acc_mortal')

# Cambiamos el nombre de las filas:
conf = conf.set_index('c_conf')
conf = conf.rename(index = {'01':'Hit a moving object', '02': 'Hit a stationary object',
        '03': 'Ran off left shoulder', '04' : 'Ran off Right shoulder','05':'Rollover on a Roadway',
        '06' : 'Other single vehicle collision', '21': 'Rear End collision','22': 'Side Swipe',
        '23': '1 vehicle passing to the left', '24': '1 vehicle passing to the right',
        '25':  '2 vehicle-same direction' , '31': 'Head-on collision',
        '32' : 'Approaching side-swipe','33' : 'Left turn opposing traffic',
        '34':' Right turn' ,'35': 'Right angle collision',
        '36' : 'Any other two-vehicle','41': 'Hit a parked motor vehicle', 'QQ': 'Not provided'
                            , 'UU': 'Unknown'})
conf

	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
c_conf
Hit a moving object	92430	2917	3.155902	1.577195	2.957428
Hit a stationary object	186935	4605	2.463423	3.189797	4.668823
Ran off left shoulder	165410	6563	3.967717	2.822501	6.653960
Ran off Right shoulder	214350	7430	3.466293	3.657597	7.532976
Rollover on a Roadway	13049	325	2.490612	0.222664	0.329504
Other single vehicle collision	515468	13104	2.542156	8.795774	13.285614
Rear End collision	1771212	6513	0.367714	30.223372	6.603267
Side Swipe	197006	2636	1.338030	3.361645	2.672534
1 vehicle passing to the left	70088	1017	1.451033	1.195958	1.031095
1 vehicle passing to the right	52067	437	0.839303	0.888454	0.443057
2 vehicle-same direction	10922	106	0.970518	0.186369	0.107469
Head-on collision	195284	22229	11.382909	3.332261	22.537082
Approaching side-swipe	47307	1761	3.722493	0.807231	1.785407
Left turn opposing traffic	422241	4276	1.012692	7.204980	4.335263
Right turn	62181	745	1.198115	1.061036	0.755325
Right angle collision	868197	11980	1.379871	14.814625	12.146036
Any other two-vehicle	431298	2686	0.622771	7.359525	2.723227
Hit a parked motor vehicle	80961	1474	1.820630	1.381492	1.494429
Not provided	284980	5300	1.859780	4.862804	5.373455
Unknown	179019	2529	1.412699	3.054721	2.564051

conf = conf.reset_index()

# Visualizamos con un barplot: rear-end se lleva la palma en cantidades
sns.set(rc={'figure.figsize':(18, 9)})
sns.barplot(x='c_conf', y= 'acc_ponderado',
            data = conf)
plt.xticks(rotation = 35)

sns.set(rc={'figure.figsize':(18, 9)})
sns.lineplot(x='c_conf', y= 'pct_mortales',
            data = conf, color='red')
plt.xticks(rotation = 35);

8. Condiciones climatológicas.

Temperatura media anual en Canadá:

Horas medias anuales de luz en Canadá:

Precipitaciones medias en Canadá:

• Sería interesante saber cuántos días al año de media hay de cada una de las varaiables y normalizar, para tener conclusiones reales. Para ello hemos consultado la web https://weather-and-climate.com/average-monthly-Rainfall-Temperature-Sunshine,toronto,Canada

Conclusiones:

• La gran cantidad de accidentes se dan cuando los días son claros y soleados, en un 70 %.
• Las muertes, también se da cuando el clima es así, en un 65 %
• La mortalidad sin embargo, es mucho más elevada en las siguientes situaciones: cuando está nublado, helada, nieve o niebla. Estos 4 factores juntos suponen el 22 % de los accidentes mortales.
• La distribución de los accidentes tiene sentido mirando las gráficas del clima en Canadá. Nos encontramos con que los accidentes cuando el día es soleado siguen una sitribución idéntica a las horas de luz en Canadá a lo largo del año, con máximos en julio y agosto y disminuyendo en ambas direcciones opuestas.
• Viendo las gráficas, nos encontramos con accidentes y fallecidos provocados por las nevadas en los meses fríos del año, entre noviembre y marzo.
• Las precipitaciones mantienen una distribución constante durante todo el año, así como los accidentes provocados por ella. No vemos un patrón claro.
• Lo mismo ocurre cuando el día está nublado

# Vistazo general:
tiempo = acc_mortal(df, 'c_wthr', 'acc_mortal')
tiempo['clima'] = tiempo['c_wthr'].map({ '1' : 'Clear and sunny','2': 'Overcast',
                                            '3': 'Raining', '4': 'Snowing',
                                            '5': 'Freezing rain, hail', '6': 'Fog, smog, mist',
                                            '7': 'Strong wind', 'Q': 'other', 'U': 'unknown'})

tiempo = tiempo.drop('c_wthr', axis = 1)
tiempo = tiempo.set_index('clima')
tiempo

	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
clima
Clear and sunny	4074538	65074	1.597089	69.526560	65.975890
Overcast	600226	12520	2.085881	10.242057	12.693520
Raining	600105	8262	1.376759	10.239992	8.376507
Snowing	354615	6907	1.947746	6.051032	7.002727
Freezing rain, hail	30330	810	2.670623	0.517541	0.821226
Fog, smog, mist	82439	3447	4.181273	1.406712	3.494774
Strong wind	15164	580	3.824848	0.258753	0.588038
other	15013	250	1.665223	0.256177	0.253465
unknown	87975	783	0.890026	1.501176	0.793852

# Ahora, juntamos meses y clima, pues nos dirá cuando se dan más accidentes:
# Igual que antes, nos quitamos los meses desconocidos:
df['c_mnth'] = df['c_mnth'].replace({'01': '1', '02' : '2', 11: '11', 12: '12', 'UU': '8'}).astype(int)
df_clima = df[['c_mnth','c_wthr']].groupby(['c_wthr','c_mnth']).size().unstack()

df_clima = df_clima.reset_index()
df_clima['clima'] = df_clima['c_wthr'].map({ '1' : 'Clear and sunny','2': 'Overcast',
                                            '3': 'Raining', '4': 'Snowing',
                                            '5': 'Freezing rain, hail', '6': 'Fog, smog, mist',
                                            '7': 'Strong wind', 'Q': 'other', 'U': 'unknown'})
df_clima = df_clima.drop('c_wthr', axis = 1)
df_clima = df_clima.set_index('clima')
df_clima

c_mnth	1	2	3	4	5	6	7	8	9	10	11	12
clima
Clear and sunny	295579	265508	273090	277893	350112	403600	440233	444608	396638	341168	291646	294463
Overcast	58613	44557	43974	38066	47410	48976	43386	43233	42771	58137	62546	68557
Raining	28547	19369	28511	45076	58419	56817	43615	47942	60349	90590	74968	45902
Snowing	83158	62292	47217	18017	1914	179	115	173	669	10061	46828	83992
Freezing rain, hail	5908	4461	3081	2814	621	243	242	210	287	1200	3917	7346
Fog, smog, mist	14349	15666	11380	3018	2007	1933	2295	2684	3387	4967	8188	12565
Strong wind	2952	2775	2101	905	588	276	331	234	378	775	1618	2231
other	1797	1165	1101	959	990	1150	919	1024	1181	1503	1544	1680
unknown	8971	7494	7359	5785	6174	6836	6557	7322	7130	7510	7825	9012

Representaciones gráficas:

df_clima.T.plot.barh(width = 1.2, figsize = (18, 10))
plt.title('Accidentes mensuales según el clima', fontsize = 20)
plt.ylabel('Meses del año')
plt.xlabel('Número de accidentes', fontsize = 15)
plt.show()

df_clima_mort = df[df['acc_mortal']== 1]
df_clima_mort = df_clima_mort[['c_wthr', 'c_mnth', 'acc_mortal']]
# agrupamos por clima y contamos repeticiones: unstack para que nos saque df
df_clima_mort = df_clima_mort[['c_mnth','c_wthr']].groupby(['c_wthr','c_mnth']).size().unstack()
df_clima_mort = df_clima_mort.reset_index()
df_clima_mort['clima'] = df_clima_mort['c_wthr'].map({ '1' : 'Clear and sunny','2': 'Overcast',
                                            '3': 'Raining', '4': 'Snowing',
                                            '5': 'Freezing rain, hail', '6': 'Fog, smog, mist',
                                            '7': 'Strong wind', 'Q': 'other', 'U': 'unknown'})
df_clima_mort = df_clima_mort.drop('c_wthr', axis = 1)
df_clima_mort = df_clima_mort.set_index('clima')
df_clima_mort

c_mnth	1	2	3	4	5	6	7	8	9	10	11	12
clima
Clear and sunny	3734.0	3396.0	3748.0	4185.0	5603.0	6573.0	8491.0	8296.0	6695.0	5609.0	4387.0	4357.0
Overcast	1090.0	781.0	852.0	819.0	1045.0	1046.0	934.0	1058.0	976.0	1238.0	1255.0	1426.0
Raining	377.0	274.0	381.0	474.0	703.0	782.0	630.0	741.0	905.0	1297.0	1017.0	681.0
Snowing	1538.0	1074.0	853.0	388.0	45.0	4.0	NaN	5.0	8.0	282.0	1095.0	1615.0
Freezing rain, hail	140.0	102.0	103.0	57.0	30.0	19.0	4.0	2.0	9.0	67.0	111.0	166.0
Fog, smog, mist	474.0	557.0	438.0	151.0	115.0	90.0	111.0	162.0	389.0	203.0	288.0	469.0
Strong wind	107.0	96.0	82.0	31.0	47.0	12.0	18.0	11.0	16.0	37.0	40.0	83.0
other	30.0	27.0	12.0	8.0	22.0	10.0	10.0	23.0	21.0	33.0	25.0	29.0
unknown	37.0	48.0	49.0	72.0	72.0	88.0	71.0	114.0	60.0	56.0	68.0	48.0

df_clima_mort.T.plot.barh(width = 1.2, figsize = (18, 10))
plt.title('Accidentes mortales mensuales según el clima', fontsize = 20)
plt.ylabel('Meses del año', fontsize = 15)
plt.xlabel('Número de accidentes', fontsize = 15)
plt.show()

9. Medidas de seguridad utilizadas:

Conclusiones

• Vemos que el 71 % de personas que sufren accidentes, utilizan medidas de seguridad.
• No obstante, un 4 % de los accidentados no usaron medidas de seguridad. Y sin embargo, suponen el 16 % de implicados en accidentes mortales, esto no debería ser llamativo.
• De la tabla df_seg nos llama la atención la gran cantidad de valores desconocidos.
• Observando la gráfica de abajo, podemos ver cómo la mortalidad se dispara cuando no se usaron las medidas de seguridad apropiadas. Nos hemos encontrado con otro pico en "con casco", por lo que hemos pasado a estudiar la mortalidad de accidentes con moto por separado en el último punto de este apartado.

# Rápidamente se ve cómo crece la mortalidad cuando no se toman medidas de seguridad
df_seg = df.groupby(['p_safe','acc_mortal']).size().unstack().fillna(0)
acc_mortal(df, 'p_safe', 'acc_mortal')

	p_safe	accidentes	acc_mortal	pct_mortales	acc_ponderado	muertes_ponderado
0	01	198606	16113	8.113048	3.388947	16.336317
1	02	4163903	53219	1.278104	71.051455	53.956587
2	09	96437	2913	3.020625	1.645569	2.953373
3	10	112	1	0.892857	0.001911	0.001014
4	11	11	0	0.000000	0.000188	0.000000
5	12	18322	633	3.454863	0.312641	0.641773
6	13	148730	4114	2.766086	2.537879	4.171018
7	NN	571946	8211	1.435625	9.759496	8.324800
8	QQ	47150	1306	2.769883	0.804552	1.324100
9	UU	615188	12123	1.970617	10.497363	12.291018

# Visualizamos:
prot = ['no usado', 'si usado', 'con casco', 'ropa reflectante', 'ropa reflextante + casco',
        'otro', 'no disponible', 'no aplicable', 'otra', 'desconocido']

# Definimos nuestro gráfico
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()
ax2.set_ylabel('Porcentaje de fatalidad', fontsize = 15)
ax2.spines['right'].set_color('black')
ax2.yaxis.label.set_color('black')
ax2.tick_params(axis='y',colors='red')

# Dibujamos el gráfico en logaritmos:
df_seg.plot(kind='bar', rot=30, log=True, 
            color=['peru','gold'], figsize=(18,8), width = 0.85, ax=ax1)
plt.title('Impacto de utilizar las medidas de seguridad', fontsize = 20)
ax1.grid(axis='both')
ax1.legend(['1. No Mortal (0)','2. Mortal (1)'])
ax1.set_xticklabels(prot)
ax1.set_xlabel('Medidas de protección utilizadas', fontsize = 15)

# Porcentajes fatalidad
se1 = df_seg[1] / (df_seg[0] + df_seg[1]) * 100
se1.plot(c='black', style='o--', ax=ax2)
plt.xticks(np.arange(0,10), prot); 

10. Número total de fallecidos en el período, sexo y períodos vacacionales.

La variable P_isev nos dice si esa persona murió o no en el período posterior al accidente. Esta variable la hemos descartado en nuestro modelo, puesto que es un dato que se desconoce a la hora del accidente. No obstante, queríamos dar una pincelada para analizar el total de fallecidos.

• El valor 3 es que la persona falleció, entonces nos encontramos con un total de 40,354 fallecidos en Canadá entre 1999 y 2014.

• Existe una correlación perfecta viendo la representación de las series en escala logarítmica. Esto resulta evidente, puesto que no puede existir accidentes mortales si no hay primero accidentes.

• Por último, hemos analizado el componente mensual. Vemos claramente patrones en los meses de verano y Navidad. Julio, agosto, septiembre y diciembre son los meses con más mortalidad, coincidiendo con los períodos típicos de vacaciones. Sin embargo, en números absolutos de accidentes vemos durante el año un comportamiento parecido. Agosto sigue siendo el líder, pero las diferencias son menos que cuando hablábamos de accidentes mortales. El mes que representa menos accidentes así como menos fallecidos es abril.

• Del total de fallecidos, los hombres suponen más que el doble que las mujeres (27k vs 12k)

data['fallecidos'] = data['p_isev'] == '3'
data["fallecidos"] = data["fallecidos"].astype(int)

data['fallecidos'].sum()

40354

anuales = data[['c_year', 'fallecidos', 'p_sex']].groupby('c_year').sum('fallecidos')

anuales.plot(figsize = (18, 5));

<matplotlib.axes._subplots.AxesSubplot at 0x7f8ddb32b0d0>

# Han muerto más hombres o mujeres ? 
data[['fallecidos', 'p_sex']].groupby('p_sex').sum('fallecidos')

	fallecidos
p_sex
F	12410
M	27867
N	0
U	77

Comprobamos que la tendencia se comporta exactamente igual que la de accidentes en el primer apartado de este trabajo. Por lo tanto, es evidente que existe una correlación positiva entre a mayor número de accidentes mayor fallecimientos, vamos a comprobarlo:

from sktime.utils.plotting import plot_series

# creamos timeseries con mortales y no mortales
data_sev = data[:]
data_sev['mortal']= data["acc_mortal"]== 1
data_sev['no_mortal']= data["acc_mortal"]!= 1
# Creamos un formato fecha 
data_sev['c_mnth'] = data_sev['c_mnth'].replace(['UU'], "8")
data_sev['date']= data_sev['c_year'].astype(str) + '-' + data_sev['c_mnth'].astype(str)

/var/folders/r0/mbpll83s6bvbs55162w48hzw0000gn/T/ipykernel_10968/2450803420.py:3: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data_sev['mortal']= data["acc_mortal"]== 1
/var/folders/r0/mbpll83s6bvbs55162w48hzw0000gn/T/ipykernel_10968/2450803420.py:4: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data_sev['no_mortal']= data["acc_mortal"]!= 1
/var/folders/r0/mbpll83s6bvbs55162w48hzw0000gn/T/ipykernel_10968/2450803420.py:6: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data_sev['c_mnth'] = data_sev['c_mnth'].replace(['UU'], "8")
/var/folders/r0/mbpll83s6bvbs55162w48hzw0000gn/T/ipykernel_10968/2450803420.py:7: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data_sev['date']= data_sev['c_year'].astype(str) + '-' + data_sev['c_mnth'].astype(str)

data_sev['date']= pd.PeriodIndex(data_sev['c_year'].map(str) + '-' + data_sev['c_mnth'].astype(str),
                                 freq= 'M')

/var/folders/r0/mbpll83s6bvbs55162w48hzw0000gn/T/ipykernel_10968/1895213396.py:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  data_sev['date']= pd.PeriodIndex(data_sev['c_year'].map(str) + '-' + data_sev['c_mnth'].astype(str),

sev = data_sev.groupby('date')['mortal','no_mortal'].sum()
sev_log = np.log(sev).diff().dropna()

/var/folders/r0/mbpll83s6bvbs55162w48hzw0000gn/T/ipykernel_10968/827757749.py:1: FutureWarning: Indexing with multiple keys (implicitly converted to a tuple of keys) will be deprecated, use a list instead.
  sev = data_sev.groupby('date')['mortal','no_mortal'].sum()

sev_log.plot()
plt.title('Relación entre accidentes mortales y no mortales', fontsize = 20)
plt.xlabel('fechas', fontsize = 15)

Text(0.5, 0, 'fechas')

sns.regplot('mortal', 'no_mortal', data=sev)
plt.title('Correlación entre accidentes y accidentes mortales', fontsize = 20)
plt.ylabel('')
plt.xlabel('');

/Users/guillemrogonzalezdiaz/miniconda3/lib/python3.8/site-packages/seaborn/_decorators.py:36: FutureWarning: Pass the following variables as keyword args: x, y. From version 0.12, the only valid positional argument will be `data`, and passing other arguments without an explicit keyword will result in an error or misinterpretation.
  warnings.warn(

# Comportamiento mensual de las muertes
import matplotlib.pyplot as plt
import statsmodels.api as sm

ax = plt.gca() 
sm.graphics.tsa.month_plot(sev['mortal'], ax = ax)
ax.set_title('Comportamiento mensual de los accidentes mortales', fontsize = 20)
ax.set_ylabel('Muertes', fontsize = 15);

# Accidentes
ax = plt.gca() 
sm.graphics.tsa.month_plot(sev['no_mortal'], ax = ax)
ax.set_title('Comportamiento mensual de los accidentes', fontsize = 20)
ax.set_ylabel('Accidentes', fontsize = 15);